تُعتبر نماذج الذكاء الاصطناعي (Artificial Intelligence) والتعلم الآلي (Machine Learning) من الأدوات الثورية في مجال الرعاية الصحية، حيث تُستخدم بصفة متزايدة لدعم اتخاذ القرارات السريرية. ومع ذلك، فإن البيانات التدريبية لهذه النماذج قد تصبح غير مُحدثة بمرور الوقت نتيجة للتغيرات في التركيبة السكانية أو البيئة أو سلوكيات المرضى، مما قد يؤدي إلى تدهور الأداء بشكل ملحوظ.

يُعتبر تحديث النماذج بمعلومات تدريب جديدة أمرًا ضروريًا لتحسين الأداء، إلا أن هذه التحديثات قد تعرّض النظام لمخاطر جديدة. في دراسة حديثة، تم تقييم إطار مراقبة مقترح على أربعة مجموعات بيانات تُعنى بداء السكري من النوع الأول، تضم بيانات مراقبة الجلوكوز المستمر (Continuous Glucose Monitoring) بدقة عالية، حيث شملت حوالي 11,300 ملاحظة أسبوعية لمشاركين من سن أقل من 20 عامًا.

تم استخدام تقييم الحالات للتنبؤ بحالات ارتفاع السكر الحاد لدى الاطفال كمثال لدراسة كيفية تأثير استراتيجيات تحديث النماذج على استقرارها. نتج عن بعض التحديثات حدوث تقلبات غير متوقعة في التنبؤات، مما يزيد من العشوائية في النتائج ويقلل من دقة المساواة في المعدلات بين الفئات السكانية.

أوصى الباحثون بعدة أبعاد للمراقبة المستمرة لرصد هذه المشكلات، وأكدوا على أهمية هذه المراقبة في تطوير أنظمة دعم القرار السريرية الموثوقة والثابتة.